HASIL DAN PEMBAHASAN
4.2. ANALISA DAN PENGUJIAN HIPOTESIS 1.Evaluasi Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi atau mutivariat (Hair, 1998). Evaluasi terhadap outlier multivariate (antar variabel) perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara Mahalanobis untuk tiap-tiap observasi dapat dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua
variabel dalam sebuah ruang multidimensional (Hair.dkk, 1998; Tabachnick & Fidel, 1996). Uji terhadap outliers multivariate dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p < 1%. Jarak Mahalanobis itu dievaluasi dengan menggunakan χ² (chi kuadrat) pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian ini. Hasil uji outlier tampak pada tabel berikut : Tabel 4.6. Outlier Data
Minimum Maximum Mean Std.
Deviation N
Predicted Value 38.310 78.098 55.500 8.268 110
Std. Predicted Value -2.079 2.733 0.000 1.000 110 Standard Error of Predicted Value 3.510 14.807 8.360 1.978 110 Adjusted Predicted Value 27.595 76.636 55.219 8.891 110
Residual -61.857 56.149 0.000 30.808 110
Std. Residual -1.942 1.763 0.000 0.967 110
Stud. Residual -1.987 1.812 0.004 1.007 110
Deleted Residual -64.763 59.427 0.281 33.400 110
Stud. Deleted Residual -2.017 1.833 0.004 1.011 110 Mahalanobis Distance [MD] 0.333 22.569 6.936 3.776 110
Cook's Distance 0.000 0.077 0.011 0.013 110
Centered Leverage Value 0.003 0.207 0.064 0.035 110 (a) Dependent Variable : NO. RESP
Sumber : Lampiran
Deteksi terhadap multivariat outliers dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p < 0,001. Jarak Mahalanobis itu dievaluasi dengan menggunakan χ2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai Jarak Mahalanobis lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers. Nilai χ2
0.001 dengan jumlah indikator 7 adalah sebesar 24.322. Hasil analisis Mahalanobis diperoleh nilai 22.569 kurang dari χ2
tabel 24.322 tersebut. Dengan demikian, tidak terjadi multivariate outliers
4.2.2. Evaluasi Reliabilitas
Cronbach’s Alpha ini digunakan untuk mengestimasi reliabiltas setiap skala (variabel atau observasi indikator). Sementara itu item to total correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi butir-butir yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang dihasilkan (Purwanto, 2002). Hasil selengkapnya dapat dilihat pada tabel berikut :
Tabel 4.7. Reliabilitas Data :
Konstrak Indikator Item to Total Correlation Koefisien Cronbach's Alpha Customer Involvement X11 0.739 0.832 X12 0.876 X13 0.797 X14 0.705 X15 0.741 Purchase Decision Y1 0.963 0.907 Y2 0.953 : tereliminasi Sumber
Koefisien Cronbach’s Alpha dihitung untuk mengestimasi reliabilitas setiap skala [variabel atau indikator observasian]. Sementara itu item to total correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi item-item yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang dihasilkan. Proses eleminasi diperlakukan pada item to total correlation pada indikator yang nilainya < 0,5 [Purwanto,2003]. Tidak terjadi eliminasi karena nilai item to total correlation indikator seluruhnya ≥ 0,5. Indikator yang tereliminasi tidak disertakan dalam perhitungan cronbach's alpha. Perhitungan cronbach's dilakukan setelah proses eliminasi. Hasil pengujian reliabilitas konsistensi internal untuk
setiap construct di atas menunjukkan hasil baik dimana koefisien Cronbach’s Alpha yang diperoleh seluruhnya memenuhi rules of thumb yang disyaratkan yaitu ≥ 0,7 [Hair et.al.,1998].
4.2.3. Evaluasi Validitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur, karena indikator multidimensi, maka uji validitas dari setiap latent variable / construct akan diuji dengan melihat loading faktor dari hubungan antara setiap observed variable dan latent variable. Hasil analisis tampak pada tabel di bawah ini.
Tabel 4.8. Validitas Data
Konstrak Indikator Faktor Loading
1 2 3 4 Customer Involvement X11 0.673 X12 0.880 X13 0.719 X14 0.624 X15 0.636 Purchase Decision Y1 0.933 Y2 0.896 Sumber : Lampiran
Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor loadings masing masing butir pertanyaan yang membentuk setiap construct seluruhnya ≥ 0,5, sehingga butir-butir instrumentasi setiap konstruk tersebut dapat dikatakan validitasnya baik.
4.2.4. Evaluasi Construct dan Variance Extracted
Selain melakukan pengujian konsistensi internal Cronbach’s Alpha, perlu juga dilakukan pengujian construct reliability dan variance extracted. Kedua pengujian tersebut masih dalam koridor uji konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator individual mengukur suatu pengukuran yang sama (Purwanto, 2002). Dan variance extracted direkomendasikan pada tingkat 0,50. Hasil perhitungan construct reliability dan variance extracted dapat dilihat dalam tabel 4.16.
Tabel 4.9. Construct Reliability dan Variance Extracted Konstrak Indikator
Standardize Factor Loading
SFL
Kuadrat Error [εj] Reliability Construct Variance Extrated
Customer Involvement X11 0.673 0.453 0.547 0.835 0.508 X12 0.880 0.774 0.226 X13 0.719 0.517 0.483 X14 0.624 0.389 0.611 X15 0.636 0.404 0.596 Purchase Decision Y1 0.933 0.870 0.130 0.911 0.837 Y2 0.896 0.803 0.197
Batas Dapat Diterima ≥ 0,7 ≥ 0,5
Sumber
Selain melakukan pengujian konsistensi internal Cronbach’s Alpha, perlu juga dilakukan pengujian construct reliability dan variance extracted. Kedua pengujian tersebut masih termasuk uji konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator individual mengukur suatu pengukuran yang sama. Hasil pengujian reliabilitas instrumen dengan construct reliability dan variance extracted menunjukkan instrumen reliabel, yang ditunjukkan dengan nilai construct reliability seluruhnya ≥ 0,7. Meskipun demikian angka tersebut bukanlah
sebuah ukuran “mati” artinya bila penelitian yang dilakukan bersifat exploratory, maka nilai di bawah 0,70 pun masih dapat diterima sepanjang disertai alasan–alasan empirik yang terlihat dalam proses eksplorasi. Dan variance extracted direkomendasikan pada tingkat 0,50.
4.2.5. Evaluasi Normalitas
Uji normalitas sebaran dilakukan dengan Skewness Value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai statistik untuk menguji normalitas itu disebut z-value. Bila nilai-z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 (1%) yaitu sebesar ± 2,58. Hasilnya diperoleh nilai c.r. multivariat diantara ± 2,58 dan itu berarti asumsi normalitas terpenuhi dan data layak untuk digunakan dalam estimasi selanjutnya. Hasil analisis tampak pada tabel berikut :
Tabel 4.10. Normalitas Data
Variable min max kurtosis c.r.
X1 5 7 -0.662 -1.417 X2 4 7 -0.085 -0.182 X3 4 7 -0.825 -1.766 X4 5 7 -0.300 -0.642 X5 4 7 -0.019 -0.041 Y1 4 7 -0.044 -0.094 Y2 4 7 0.913 1.954 Multivariate 1.526 0.713 Batas Normal ± 2,58 Sumber
Uji normalitas sebaran dilakukan dengan Kurtosis Value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai statistik
untuk menguji normalitas itu disebut Z-value. Bila nilai-Z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 [1%] yaitu sebesar ± 2,58. Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di antara ± 2,58 itu berarti asumsi normalitas terpenuhi. Fenomena ini tidak menjadi masalah serius seperti dikatakan oleh Bentler & Chou [1987] bahwa jika teknik estimasi dalam model SEM menggunakan maximum likelihood estimation [MLE] walau ditribusi datanya tidak normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.
4.2.6. Analisis Model One-Step Approach to SEM
Dalam model SEM, model pengukuran dan model struktural parameter-parameternya diestimasi secara bersama-sama. Cara ini agak mengalami kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan structural model yang diestimasi secara bersama-sama (one-step approach to SEM).
One-step approach to SEM digunakan apabila model diyakini bahwa dilandasi teori yang kuat serta validitas dan reliabilitas data sangat baik. (Hair.et.al, 1998).
Hasil estimasi dan fit model one-step approach to SEM dengan menggunakan program aplikasi AMOS 4.01 terlihat pada gambar dan tabel Goodness of Fit dibawah ini.
MODEL PENGUKURAN & STRUKTURAL Customer Involvement, & Purchase Decision Model Specification : One Step Approach - Base Model
1 Cuctomer Involvement X1 er_1 X2 er_2 1 1 X3 er_3 1 X4 er_4 1 X5 er_5 1 Purchase Decision Y1 er_6 Y2 er_7 1 1 1 d_pd 1 Gambar. 4.1 Sumber Kriteria : Lampiran
Tabel 4.11. Evaluasi Kriteria Goodness Of Fit Indices Model One-Step Approach-Base Model Hasil Nilai Kritis Evaluasi Model Cmin/DF 0.578 ≤ 2,00 baik Probability 0.873 ≥ 0,05 baik RMSEA 0.000 ≤ 0,08 baik GFI 0.982 ≥ 0,90 baik AGFI 0.960 ≥ 0,90 baik TLI 1.021 ≥ 0,95 baik CFI 1.000 ≥ 0,94 baik Sumber : Lampiran
Dari hasil evaluasi terhadap model one step model ternyata dari semua kriteria goodness of fit yang digunakan, seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model telah sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori telah sepenuhnya didukung oleh fakta. Dengan demikian model ini adalah model yang terbaik untuk menjelaskan keterkaitan antar variabel dalam model.
4.2.7. Uji Kausalitas
Dilihat dari angka determinant of sample covariance matrix : 129.368.653 > 0 mengindikasikan tidak terjadi multicolinierity atau singularity dalam data ini sehingga asumsi terpenuhi. Dengan demikian besaran koefisien regresi masing-masing faktor dapat dipercaya sebagaimana terlihat pada uji kausalitas di bawah ini.
Tabel 4.12. Hasil Uji Kausalitas
Faktor Faktor Ustd
Estimate Std Estimate Prob. Purchase_Decision Cuctomer_Involvement 0.662 0.886 0.000 Batas Signifikansi ≤ 0,10 Sumber
a. Faktor Customer Involvement berpengaruh positif terhadap Faktor Purchase Decision, dapat diterima [Prob. kausalnya 0,000 ≤ 0,10 [signifikan [positif].
: Lampiran
Dilihat dari tingkat Prob. arah hubungan kausal, maka hipotesis yang menyatakan bahwa :
4.2.8. Analisis Undimensi First Order Tabel 4.13. Unidimensi First order
Ustd Estimate Std Estimate Prob. X1 <-- Cuctomer_Involvement 0.429 0.673 0.000 X2 <-- Cuctomer_Involvement 0.690 0.880 0.000 X3 <-- Cuctomer_Involvement 0.554 0.719 0.000 X4 <-- Cuctomer_Involvement 0.374 0.624 0.000 X5 <-- Cuctomer_Involvement 0.418 0.636 0.000 Y1 <-- Purchase_Decision 1.000 0.933 0.000 Y2 <-- Purchase_Decision 0.847 0.896 0.000 Sumber : Lampiran
4.3. PEMBAHASAN
Dalam penelitian ini diperoleh hasil bahwa keterlibatan konsumen berpengaruh positif terhadap keputusan pembelian. Hal ini ditunjukkan dengan nilai probabilitas kausal sebesar 0.000 ≤ 0.10 daqn nilai standar estimate sebesar positif 0.886. pengaruh yang diberikan keterlibatan konsumen adalah positif, hal ini menunjukkan bahwa semakin tinggi keterlibatan konsumen maka semakin tinggi pula keputusan pembelian.
Hal ini sesuai dengan pernyataan Mowen (1995) dalam Sutisna (2001 : 11) mengemukakan bahwa tingkat keterlibatan konsumen dalam suatu pembelian dipengaruhi oleh kepentingan personal yang dirasakan yang ditimbulkan oleh stimlus. Dengan perkataan lain, apakah seseorang merasa terlibat atau tidak terhadap suatu produk ditentukan oleh apakah dia merasa penting atau tidak dalam pengambilan keputusan pembelian produk.
Begitu juga menurut Sutisna (2001 : 15) juga menjelaskan bahwa tingkat keterlibatan konsumen yang tinggi (High Involvement) akan menyebabkan konsumen lebih banyak mencari dan menyeleksi informasi dan lebih hati-hati dalam mengambil keputusan. Karena banyaknya informasi yang dicari dan dievaluasi dalam proses pengambilan keputusan pembelian suatu produk.
Menurut Kotler (1987 : 281) menjelaskan bahwa keputusan yang lebih kompleks mungkin melibatkan partisipasi yang lebih banyak dan kebebasan pembeli yang lebih besar.
Dengan demikian konsumen yang membeli dan menempati rumah di perumahan pesona mutiara residence mempunyai keterlibatan yang tinggi terhadap keputusan pembelian rumah di perumahan pesona mutiara residence.
56